舒世泰,李 松,郝晓红,张丽平
哈尔滨理工大学 计算机科学与技术学院,哈尔滨150080
知识图谱(knowledge graph,KG)[1]是一种用图模型来描述知识和建模世界万物之间关系的技术方法,属于语义层面的知识库(knowledge base,KB)[2],通常以网络的形式出现。在网络中,节点表示实体,节点之间的边表示关系,并使用三元组(h,r,t)对知识进行表示。KG 最早应用于提升搜索引擎的能力。随后,KG 在辅助智能问答、自然语言处理、大数据分析、推荐计算、可解释性人工智能等方面展现出较大的应用价值[3-5]。其中,知识表示是这些应用的基础。然而,由于知识的不断积累,KB 的规模扩展非常快,知识形式也变得越来越多样化[6-8]。以传统的形式对知识进行表示的弊端越来越明显,如实体间语义关系的推理变困难、数据稀疏性问题严重、计算的复杂性高、难以运用到大型KG 上等。
近年来,以知识表示为代表的知识图谱嵌入(knowledge graph embedding,KGE)[9]技术取得了新的研究进展,提出了将稀疏的三元组(h,r,t)语义信息映射到低维稠密的向量空间,将实体与关系的推理转变为对象间距离的计算,计算的距离越小,实体间的相似性越高[10]。同时,KGE 通过对实体和关系进行表示,能够解决传统表示方法面临的数据稀疏、知识推理困难等问题,并且促进了知识获取、实体消岐性能的不断提升[11-13]。
根据KGE的典型特性,学者们提出了众多KGE模型,主要分为两类:平移距离模型[14]、语义匹配模型[15]。对于平移距离模型,比较经典的有TransE(translating embedding)[16]、TransA(translating adaptive)[17]、TransR(translating in relation space)[18]、TransH(translating on hyperplanes)[19]、TransM(translating with relational mapping)[20]、KG2E(knowledge graphs with Gaussian embedding)[21]以及SE(structured embedding)[22]模 型等,这些模型的共同点是评分函数采用距离进行衡量。……